为解决经验傅里叶分解方法(empirical Fourier decomposition,EFD)划分信号频谱边界过于密集且需要预设模态分量数目缺乏自适应性问题,提出基于能量谱线改进经验傅里叶分解(improved empirical Fourier decomposition method based on t...为解决经验傅里叶分解方法(empirical Fourier decomposition,EFD)划分信号频谱边界过于密集且需要预设模态分量数目缺乏自适应性问题,提出基于能量谱线改进经验傅里叶分解(improved empirical Fourier decomposition method based on the energy spectral line,ESL-IEFD)的方法,并用于滚动轴承微弱故障诊断中。首先,计算轴承振动信号快速谱相关图的切片集成能量值,并用滤波平滑性能良好的S-G(Savitzky-Golay)算法进行处理,获得能量谱线;其次,以能量谱线局部最小值位置及频谱两端点作为分割边界,合理划分频谱进而自适应确定模态分量数目;然后,利用构建的零相位滤波器和逆傅里叶变换分别对各频段滤波和重构得到各分量;最后,进行包络谱分析,利用故障特征明显的分量诊断轴承故障。仿真和试验信号分析结果表明:相比EFD和优化EFD,ESL-IEFD方法在频谱频段划分上更合理不再过于密集;在故障诊断效果上,既能有效提取内、外圈单一微弱故障特征,又能对内、外圈复合故障特征进行分离与提取,能够准确诊断轴承故障类型。展开更多
文摘为解决经验傅里叶分解方法(empirical Fourier decomposition,EFD)划分信号频谱边界过于密集且需要预设模态分量数目缺乏自适应性问题,提出基于能量谱线改进经验傅里叶分解(improved empirical Fourier decomposition method based on the energy spectral line,ESL-IEFD)的方法,并用于滚动轴承微弱故障诊断中。首先,计算轴承振动信号快速谱相关图的切片集成能量值,并用滤波平滑性能良好的S-G(Savitzky-Golay)算法进行处理,获得能量谱线;其次,以能量谱线局部最小值位置及频谱两端点作为分割边界,合理划分频谱进而自适应确定模态分量数目;然后,利用构建的零相位滤波器和逆傅里叶变换分别对各频段滤波和重构得到各分量;最后,进行包络谱分析,利用故障特征明显的分量诊断轴承故障。仿真和试验信号分析结果表明:相比EFD和优化EFD,ESL-IEFD方法在频谱频段划分上更合理不再过于密集;在故障诊断效果上,既能有效提取内、外圈单一微弱故障特征,又能对内、外圈复合故障特征进行分离与提取,能够准确诊断轴承故障类型。
